滚动轴承是旋转机械应用最为广泛的零部件之一,其工作状态的正常与否直接关系到整台机械设备的可靠性和生产效率。滚动轴承工作环境复杂,其早期故障特征微弱且易被强背景噪声所湮没,造成故障特征提取困难。因此,本文以滚动轴承作为研究对象,深入研究早期微弱故障信号的降噪及故障特征提取方法。主要研究工作如下:(1)针对早期微弱故障信号的降噪问题,提出基于自适应的集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)的降噪方法。首先提出极值点均匀的EEMD自适应参数优化方法,优化白噪声幅值和总体平均次数,提高了分解精度和计算效率;然后提出基于相关峭度和信息熵的模糊综合判定准则来优选IMF分量进行重构实现降噪。结果表明,该方法在优选IMF分量方面的效果要明显优于峭度法和相关系数法。(2)针对早期故障特征提取问题,提出基于改进滑动峰态解调的滚动轴承早期故障特征提取方法。首先以信息熵最小值确定滑动窗宽,然后利用滑动峰态算法计算滑动峰态时间序列实现峰态包络,解决弱冲击信号的包络问题,进而提取弱冲击信号的故障特征。将自适应EEMD和滑动峰态算法进行结合,充分发挥各自的特点,提高诊断精度。通过仿真信号和试验信号分析,验证了本方法的有效性。(3)基于NI平台,将本文提出的新方法开发为轴承早期故障诊断模块。通过大量的试验分析,验证了本系统的可行性和有效性。